基于结构光深度图像的目标检测技术

发布时间：2021-01-08 04:36

　　目标检测技术广泛应用于公共安全、军事国防、医学等领域。本文针对利用单一的结构光深度图像或彩色图像、同时利用原始低分辨率结构光深度图像和彩色图像进行目标检测存在准确率不高的问题,围绕图像超分辨率重建、联合结构光深度图像与彩色图像的目标检测,开展了如下研究工作:（1）针对SRCNN、ESPCN等无法同时满足较好重建效果和实时处理要求,提出了一种新的基于CNN的图像超分辨率重建方法。以未做任何预处理的低分辨率图像为输入数据,利用卷积操作提取特征,采用1×1的小卷积核作降、扩维处理,减少网络参数,改善重建效果;利用反卷积与池化的组合进行放大和缩小,提取对结果更为敏感的特征;再通过反卷积实现重建。实验表明,该方法不仅实现了更好的重建效果,而且能够每秒重建24张以上320×240的图像,满足实时处理视频图像的要求。（2）针对现有的SRCNN等学习能力弱导致重建性能不佳、收敛速度慢等问题,提出了一种基于深度残差网络的图像超分辨率重建方法。设计了一个包含42层的深度网络,在网络高层采用Inception结构与残差网络的组合学习残差,再将学习到的残差和输入数据相加得到输出。Inception结构增加网络... 

【文章来源】：海南大学海南省 211工程院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图２?Ｋｉｎｅｃｔ传感器的外观??

时会产生位置误差。虽然Ｋｍｅｃｔ内部对该偏差进行了矫正处理，使得拍摄生成的彩??色图像与同场景深度图在视觉上没有偏差，但是，Ｋｉｎｅｃｔ生成的深度图像的分辨率较??低、噪声较大、物体边界处的深度值不精确，因此还需要进一步处理。下图３展示了??Ｋｉｎｅｃｔ传感器所获彩色图像与校准后的深度图，其分辨率大小都为６４０ｘ４８０。??（ａ）彩色图像（６４０ｘ４８０）?（ｂ）深度图像（６４０ｘ４８０）??图３?Ｋｉｎｅｃｔ传感器所获图像??Ｆｉｇ．３?Ｔｈｅ?ｃｏｌｏｒ?ｉｍａｇｅ?ａｎｄ?ｄｅｐｔｈ?ｉｍａｇｅ?ａｃｑｕｉｒｅｄ?ｂｙ?Ｋｉｎｅｃｔ?ｓｅｎｓｏｒ??２．２卷积神经网络??在２０世纪６０年代以前，传统的ＢＰ神经网络发展良好且应用广泛，然而由于其??网络参数随着网络层数的增加而成倍增加，导致网络复杂度高。Ｈｕｂｅｉ和＼￥１６５￡１在研??宄过程中，发现了一种特别的网络结构，这种网络可以实现局部视觉的感知以及感知??方向的选择（Ｈｕｂｅｉ?ｅｔａｌ．，１９５９）。随后，Ｗａｉｂｅｌ等提出了时间延迟网络（Ｔｉｍｅ?Ｄｅｌａｙ??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＴＤＮＮ）并应用于语音识别问题（Ｗａｉｂｅｌ?ｅｔ?ａｌ．，１９９０）。Ｚｈａｎｇ?提出??的平移不变人工神经网络（ＳＩＡＮＮ）被应用于检测医学影像（Ｚｈａｎｇ，?１９８８）。ＬｅＣｕｎ??等提出了用于图像分类的ＬｅＮｅｔ

值参数量为１０２，若不采用权值共享，则权值参数量为１０２ｘｌ００２＝１０６，显然，权值共??享在很大程度上减少了训练参数量。??卷积操作如图４所示。??１?０?１??０?１?０??１?０?１?Ｐ—，￣￣??＿＿＿＿＿＿…?上?Ａ??Ｊ＿＿Ｉ＿＿Ｌ?Ｊ＿＿１?３?１??Ｊ＿＿０＿＿１＿＿］＿＿输入特征图??０?１０?０?１??１０?１０?１??１０?０?１０??输入图像??图４卷积层的卷积操作过程??Ｆｉｇ．４?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ??如上图４，采用３ｘ３的卷积核对输入为５ｘ５的图像进行卷积，首先确定移动步长??（Ｓｔｒｉｄｅ），卷积核在每次移动后将与输入图像相应位置的元素按位相乘再相加，从??左至右，从上至下，最终获得完整的输出特征图。此外，还可以对输入图像的边界进??行零填充（ｚｅｒｏ?ｐａｄｄｉｎｇ），从而保留住图像边缘的信息，因此，若输入ｍｘ７２，卷积??核是ＡｘＡ，步长是ｓ?，零填充设成ｐ，则输出特征图为??（（ｗ?—?ｆｔ?＋?＋?ｌ）ｘ?（（ｎ－女?＋?）ｙ！ｓ?＋１）。??１０??


本文编号：2963923